CN107133415B - 一种考虑用户满意和配网安全的电动汽车充放电优化方法 - Google Patents

一种考虑用户满意和配网安全的电动汽车充放电优化方法 Download PDF

Info

Publication number
CN107133415B
CN107133415B CN201710364100.6A CN201710364100A CN107133415B CN 107133415 B CN107133415 B CN 107133415B CN 201710364100 A CN201710364100 A CN 201710364100A CN 107133415 B CN107133415 B CN 107133415B
Authority
CN
China
Prior art keywords
charging station
electric car
distribution
charging
charge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710364100.6A
Other languages
English (en)
Other versions
CN107133415A (zh
Inventor
赵晋泉
王行行
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201710364100.6A priority Critical patent/CN107133415B/zh
Publication of CN107133415A publication Critical patent/CN107133415A/zh
Application granted granted Critical
Publication of CN107133415B publication Critical patent/CN107133415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种考虑用户满意和配网安全的电动汽车充放电优化方法，是一种考虑用户满意度和配网安全约束的电动汽车多目标双层充放电优化方法，适用于配电网中大规模电动汽车入网的调度与控制。本发明基于对配网购售电价和购电成本、配网负荷波动、以及用户充电需求参与充电调度的满意度等的考虑，提出一种以配网的购电成本最小和负荷波动最小，以及用户参与充电调度的满意度最大为目标的配电网中电动汽车充电两层调度模型，采用NSGA‑II算法和Yalmip/Cplex工具求解。其中，配网层最小化配网的购电成本和净负荷波动，提高配网运行的经济性；充电站层配合配网层调度，采用两阶段优化方法提高用户参与充放电调度的满意度。

Description

一种考虑用户满意和配网安全的电动汽车充放电优化方法
技术领域
本发明涉及一种考虑用户满意和配网安全的电动汽车充放电优化方法，特别涉及一种考虑用户满意度的电动汽车多目标双层充电优化方法，适用于大规模电动汽车入网的调度与控制。
背景技术
未来电力系统中电动汽车的数量会非常庞大，进行电动汽车的充放电优化调度非常必要。对充电站内的电动汽车充放电优化控制能够在一定程度上降低用户的充电费用，减小电动汽车随机充电对电网的不利影响，但是不能有效计及充电负荷所接入电网的电压、热功率等约束。因此，考虑配电网的安全约束和用户的充电需求，进行电动汽车充放电调度十分必要。大量分布式电源的接入对配电网的运行与控制产生深刻影响，进行电动汽车和DG的协同调度，可以提高DG利用效率，增加经济效益。
配电网大规模电动汽车充放电调度中，由配网调度中心考虑每辆电动汽车的充电需求约束直接对每辆电动汽车和配网中的分布式电源等进行同时调度，不切实际也没有必要。
发明内容
由于电动汽车充电主要在充电站中进行，调度中心只需对每个充电站进行调度，即对电动汽车进行分级管理。因此，本发明提供一种考虑用户满意和配网安全的电动汽车充放电优化方法，基于电动汽车充电分级管理的架构建立配网-充电站两层优化模型，进行配电网中电动汽车与DG协同调度的研究，以提高配网运行的经济性和安全性。配网调度中心只需要制定各充电站的充放电计划，各充电站考虑用户的充电需求约束，制定具体到单辆电动汽车的充放电计划。由于各层考虑的目标和约束均不同，且掌握的信息都不全面，通过多次信息互动可得到最优充放电方案。
本发明为解决上述技术问题采用以下技术方案：
本发明提供一种考虑用户满意和配网安全的电动汽车充放电优化方法，包括以下具体步骤：
步骤1，建立电动汽车充电符合计算的模型；
步骤2，建立风力和光伏发电的经典模型；
步骤3，建立配网层以配网购电成本最小、负荷方差最小和两层调度偏差最小的多目标优化模型；
步骤4，建立充电站层两阶段优化模型；
步骤5，分别采用NSGA-II算法和Yalmip/Cplex工具求解配网层多目标优化问题和充电站层整数规划问题，从而完成优化。
作为本发明的进一步技术方案，步骤1具体为：
步骤1-a，获取交通部门对电动汽车出行和用车习惯的统计结果，包括电动汽车用户的开始充电时刻、日行驶里程和充电结束时刻；
步骤1-b，采用最大似然估计得到电动汽车用户的开始充电时刻、日行驶里程和充电结束时刻的概率分布函数；
步骤1-c，随机生成充电站k内第m辆电动汽车的充电开始时刻和结束时刻日行驶里程dk,m；
步骤1-d，计算得到充电站k内第m辆电动汽车的充电能量需求Ek,m＝D·dk,m，其中，D为电动汽车行驶每千米的耗电量；充电站k内第m辆电动汽车的充电所需时长为Tk,m＝Ek,m/(ηchPch)，其中，ηch和Pch分别为蓄电池充电效率和额定充电功率大小。
作为本发明的进一步技术方案，步骤2具体为：
步骤2-a，建立风力发电系统的模型，具体为：
采用概率密度函数的如下式所示韦布尔分布模拟风速分布。
其中，v为风速，kw为韦布尔分布的形状指数，cw为给分布的规模指数；
风力发电机的有功出力瞬时值pw与风速v之间的关系如下所示：
其中，k1＝Pr/(vr-vc)，k2＝-k1vc，Pr为风力发电机的额定功率，vr为额定风速，vc为切入风速，vo为切出风速；
根据风电机组功率特性和风速分布特性，采用出力期望值表示第t个调度时段内风机的输出功率：
其中，v(t)为第t个调度时段的风速；at为第t个调度时段的开始时刻；Δt为调度周期内每个调度时段的时长；
风电场的运行方式为按恒功率因数运行，则风电场的无功功率表示为：
其中，为功率因数；
步骤2-b，建立光伏发电系统的模型，具体为：
采用概率密度函数的如下式所示韦布尔分布模拟光照强度s的分布：
其中，ks和cs分别为韦布尔分布的两个指数；
光伏发电的输出功率Ps与光照强度s之间的关系如下式所示：
其中，Psr为光伏发电系统的额定输出功率；sn为额定输出功率所对应的光照强度。
作为本发明的进一步技术方案，步骤3具体为：
步骤3-a，多目标优化的目标函数为：
min[F1，F2，F3]
其中，F1为配网从主网购电的成本、F2为配网的净负荷方差、F3为配网层与充电站层之间的调度偏差；
步骤3-b，配网层优化的等式约束条件包括多时段潮流约束、节点电压幅值约束、线路传输功率约束；
步骤3-c，配网层优化的不等式约束为：
其中，为充电站k时段t的净充电功率，即为充电站层的优化变量；Pch和Pdch分别为电动汽车蓄电池的额定充电功率和放电功率；nk为充电站k拥有的电动汽车数量；为充电站k在时段t的可调度系数，由于在任意时段不可能所有电动汽车同时进行充放电，所以在0～1之间。
作为本发明的进一步技术方案，步骤4具体为：
步骤4-a，充电站层第一阶段优化的目标为使充电站层的充放电计划与配网层制定的充电计划的偏差最小，充电站层第一阶段优化的目标函数为：
其中，T为一个调度周期内的时段数；为充电站k内的第m辆电动汽车在时段t的充电功率， 表示充电站k内的第m辆电动汽车在时段t的充放电状态，即为充电站层的优化变量，
步骤4-b，充电站层第一阶段优化的约束条件包括：
1)电动汽车蓄电池的荷电状态连续性约束：
其中，为充电站k内第m辆电动汽车时段t+1结束时的荷电状态；ηch和ηdch分别为电动汽车蓄电池的充电和放电效率；Bk,m和分别为充电站k内第m辆电动汽车的蓄电池容量和时段t结束时的荷电状态；
2)单辆电动汽车的充电能量约束：
其中，为充电站k内第m辆电动汽车离开时期望达到的荷电状态；为充电站k内第m辆电动汽车离开时的实际荷电状态；
3)电动汽车蓄电池的安全约束：
其中，SOCmin为放电过程中蓄电池最低荷电状态的下限；
4)不可调度时段约束：
其中，和分别为充电站k内的第m辆电动汽车到达和离开的时刻；
步骤4-c，充电站层第二阶段优化的目标为充电站内所有用户的充电满意度最大，即充电站层第二阶段优化的目标函数为：
其中，和分别充电站k内第m辆电动汽车的充电费用和出行便利满意度；
步骤4-d，充电站层第二阶段优化的约束条件包括：
1)以两层调度偏差等于第一阶段优化得到的最小调度偏差为约束条件：
其中，为配网层中第一阶段优化得到的充电站k与配网层调度结果的最小偏差；
2)电动汽车蓄电池的荷电状态连续性约束；
3)单辆电动汽车的充电能量约束；
4)电动汽车蓄电池的安全约束；
5)不可调度时段约束；
步骤4-e，经过充电站层的两阶段优化计算，得到充电站k时段t的净充电负荷大小为充电站层将两阶段的优化得到的所有充电站各时段的充电计划反馈给配网层，配网层再次进行优化计算，实现两层之间信息交互。
作为本发明的进一步技术方案，步骤5具体为：
步骤5-a，采用NSGA-II方法求解配网层多目标多约束优化问题；
步骤5-b，利用最大满意度法选取NSGA-II算法求得的非支配解集中的最优折中解，从而进行双层优化；
采用隶属度函数法求解每个Pareto解的标准化满意度，标准化满意度最大的非支配解即为折中解；
其中，μp为第p个非支配解的标准化满意度，J为优化目标的个数，P为非支配解的个数，为第p个非支配解的第j个优化目标的标准化满意度；
偏小型满意度函数的表达式为：
其中，μj为对第j个优化目标的值的满意度，μj等于0和1分别表示对第j个目标的值完全不满意和完全满意；fj为第j个目标的函数值；和分别为解集中第j个优化目标函数的函数的最大和最小值；
步骤5-c，采用Yalmip/Cplex工具求解充电站层大规模整数规划问题。
作为本发明的进一步技术方案，步骤3中所述多目标优化的目标函数具体为：
1)配网从主网购电的成本最小：
其中， 和分别为配网从主网购电的电价和向主网售电的电价，为配网根节点在时段t的有功功率；
2)配网的净负荷波动最小：
其中，为时段t配网内节点i除电动汽车充电负荷和DG出力之外的有功；为时段t配网内节点i的DG出力；为时段t充电站k的净充电负荷，即配网层优化问题的决策变量；k∈i表示充电站k连接在节点i上；N为配网节点数；Pavg为平均负荷功率函数，
3)配网层与充电站层之间的调度偏差最小：
其中，为充电站层优化得到的充电站k在时段t的充电有功大小；NP为配网内充电站数目。
作为本发明的进一步技术方案，步骤4中所述充电费用满意度和出行便利满意度分别为：
1)充电站k内第m辆电动汽车的充电费用满意度为：
其中，和分别为充电站k内第m辆电动汽车在可调度时段内随机充放电所产生的最低和最高充电费用；
2)充电站k内第m辆电动汽车的出行便利满意度为：
其中，为出行便利满意度最佳充电情形下，充电站k内第m辆电动汽车在时段t的充电功率。
作为本发明的进一步技术方案，步骤5-a中采用NSGA-II方法求解配网层多目标多约束优化问题，具体为：
步骤a，输入潮流计算和NSGA-II算法所需要的原始数据；
步骤b，编码：以各充电站各时段的调度计划为优化变量，作为个体的染色体，进行实数编码，即
步骤c，潮流计算：利用前推回推算法对种群中的每个个体进行潮流计算；
步骤d，综合评价函数值计算：采用可动态调整的罚函数法计及潮流计算的约束条件，计及约束条件惩罚函数的综合目标函数为：
Cj(x,u)＝Fj(x,u)+h(q)·H(x,u)
其中，Fj(x,u)为第j个原始目标；x和u分别为控制变量和状态变量；q为当前迭代次数，为动态调整系数，H(x,u)为惩罚函数，N为配网节点数，ΔUi为节点i的电压越限值，UN为额定电压值，ΔPl为支路l的传输功率越限值，Pl，N为线路额定传输功率，L为配网支路数；
步骤e，快速非支配排序和拥挤距离计算；
步骤f，选择、交叉和变异，得到子种群；
步骤g，保留精英，得到下一次迭代的父代种群；
步骤h，如果未达到最大迭代次数，转向步骤c，否则结束计算。
作为本发明的进一步技术方案，潮流计算的数据包括网络的结构和参数、节点负荷大小；NSGA-II算法的参数包括种群规模，进化代数，交叉和变异概率。
作为本发明的进一步技术方案，步骤5-c中采用Yalmip/Cplex工具求解充电站层大规模整数规划问题，具体为：
1)变量定义：
创建m*n维连续性决策变量、整型以及0-1型决策变量矩阵的方法下：
x＝sdpvar(m,n,[option])
x＝intvar(m,n,[option])
x＝binvar(m,n,[option])
2)约束条件的设置：
F＝[constraint1]
F＝[F,constraint2]
式中，constraint表示等式或者不等式约束；
3)求解设置：
ops＝sdpsettings('option1','value1','option2','value2'......)
其中，‘solver’指定要采用的求解器；
4)求解指令：
result＝solvesdp(F,f,ops)
其中，f为目标函数，F为约束条件，ops为求解设置。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
附图说明
图1为电动汽车充电管理架构示意图。
图2为考虑用户满意度和配网安全进行电动汽车双层充放电调度的计算流程图。
图3为本方法算例中所用修改后的IEEE33节点系统图。
图4为风机出力及光伏出力曲线。
图5为只充模式下充电优化前后的配网净负荷曲线。
图6为V2G模式下优化前后的配网净负荷曲线。
图7为考虑用户满意度情形下充电站3的充电负荷曲线。
图8为充放电优化前后用户的充电满意度对比。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
本发明公开了一种考虑用户满意度的电动汽车多目标双层充放电优化方法，适用于配电网中大规模电动汽车入网的调度与控制。本发明基于对配网购售电价和购电成本、配网负荷波动、以及用户充电需求参与充电调度的满意度等的考虑，提出一种以配网的购电成本最小和负荷波动最小，以及用户参与充电调度的满意度最大为目标的配电网中电动汽车充电两层调度模型，采用NSGA-II算法和Yalmip/Cplex工具求解。其中，配网层最小化配网的购电成本和净负荷波动，提高配网运行的经济性；充电站层配合配网层调度，采用两阶段优化方法提高用户参与充放电调度的满意度。
配网中电动汽车充放电管理架构如图1所示，电动汽车主要集中在个充电站充电，配网调度中心只需对充电站和DG进行调度，而不需要对数量众多的电动汽车进行直接调度。
本发明所涉及的考虑用户满意度和配网安全的电动汽车多目标双层充放电优化的计算流程如图2所示。
步骤1，建立电动汽车充电负荷计算的模型，具体包括以下步骤：
步骤1-a，获取交通部门对电动汽车出行和用车习惯的统计结果，主要包括电动汽车用户最后一次出行结束时刻即用户的开始充电时刻、用户的日行驶里程(决定了用户的充电需求)、用户的出行开始时刻即充电结束时刻。
步骤1-b，采用最大似然估计得到开始充电时刻、用户的日行驶里程和充电结束时刻的概率分布函数。
步骤1-c，随机生成充电站k内第m辆电动汽车的充电开始时刻和结束时刻以及日行驶里程dk,m，单位为km。
步骤1-d，计算得到充电站k内第m辆电动汽车的充电能量需求Ek,m＝D·dk,m，D为电动汽车行驶每km的耗电量，单位为km/kW·h；该用户充电所需时长为Tk,m＝Ek,m/(ηchPch)，ηch和Pch分别为蓄电池充电效率和额定充电功率大小。
步骤2，建立典型分布式电源的模型(即风力和光伏发电的经典模型)，具体包括以下方面；
步骤2-a，建立风力发电系统的模型。
风力发电机的出力pw和风速v的大小有关，采用概率密度函数如下式所示的韦布尔分模拟风速分布：
式中：v为风速，kw为韦布尔分布的形状指数，cw为给分布的规模指数。
风力发电机的有功出力瞬时值pw与风速之间的关系可用如下所示的分段函数表示：
式中：k1＝Pr/(vr-vc)；k2＝-k1vc；Pr为风机的额定功率；vr为额定风速；vc为切入风速；vo为切出风速。
根据风电机组功率特性和风速分布特性，采用出力期望值表示第t个调度时段内风机的输出功率：
式中：pw为风机有功出力瞬时值，与风速的关系已在上式给出；at为第t个调度时段的开始时刻；Δt为调度周期内每个调度时段的时长。
目前，对与接入配电网的风电场一般都要求其具备无功补偿的能力，从而能够保证其无功功率输出具有一定的调节容量。因此，风电场的运行方式可以为按恒功率因数运行，这种情况下风电场的无功功率可表示为：
式中：为功率因数。
步骤2-b，建立光伏发电系统的模型。
在一定时间内，可以将光照强度r的分布近似为韦布尔分布，概率密度函数如下所示。
式中：ks和cs分别为韦布尔分布的2个指数。
光伏发电的输出功率与太阳光照射强度s之间的关系可用下式表示。
式中：Psr为光伏发电系统的额定输出功率；sn为额定输出功率所对应的光照强度。
步骤3，建立配网层以配网购电成本最小、负荷方差最小和两层调度偏差最小的多目标优化模型。
步骤3-a，多目标优化的目标函数主要有：配网的购电成本最小、配网的净负荷波动最小、配网层和充电站层的调度偏差最小，可表示为：
min[F1，F2，F3]
其中，F1为配网从主网购电的成本、F2为配网的净负荷方差、F3为配网层与充电站层之间的调度偏差。
配网从主网购电的成本最小：
其中，
式中：为配网根节点在时段t的有功；和分别为配网从主网购电的电价和向主网售电的电价；T为一个调度周期内的时段数；Δt为一个调度时段的时长。
配网净负荷波动最小：
式中：为时段t节点i除电动汽车充电负荷和DG出力之外的有功；为时段t配网内节点i的DG出力；为时段t充电站k的净充电负荷，是配网层优化问题的决策变量；k∈i表示充电站k连接在节点i上；N为配网节点数；Pavg为平均负荷功率函数，定义为：
配网层与充电站层的调度偏差最小：
式中：为充电站层优化得到的充电站k在时段t的充电有功大小；NP为配网内充电站数目。
步骤3-b，配网层优化的等式约束条件主要包括多时段潮流约束、节点电压幅值约束、线路传输功率约束。
步骤3-c，配网层优化的不等式约束如下式：
各时段充电站可调度功率约束：
式中：为充电站k时段t的净充电功率大小，是充电站层的优化变量；Pch和Pdch分别为电动汽车蓄电池的额定充电功率和放电功率；nk为充电站k拥有的电动汽车数量；为充电站在时段t的可调度系数，由于在任意时段不可能所有电动汽车同时进行充放电，所以在0～1之间。
步骤4，建立充电站层两阶段优化模型。
步骤4-a，为了配合配网层进行充放电调度，充电站层第一阶段优化的目标为使充电站层的充放电计划与配网层制定的充电计划的偏差最小。
以充电站k为例，目标函数为：
其中，
式中：为充电站k内的第m辆电动汽车在时段t的充电功率；T为一个调度周期的时段数；表示充电站k内的第m辆电动汽车时段t的充放电状态，为充电站层的优化变量，表示充电，表示没有能量传递，表示放电。
步骤4-b，充电站k第一阶段优化的约束条件有：
1)电动汽车蓄电池荷电状态连续性约束：
式中：ηch和ηdch分别为电动汽车蓄电池充电和放电效率；Bk,m和分别为充电站k内第m辆电动汽车的蓄电池容量和时段t结束时的荷电状态：
2)单辆电动汽车充电能量约束：
式中：为充电站内电动汽车k离开时期望达到的荷电状态；为充电站k内第m辆电动汽车离开时的实际荷电状态。用户离开时蓄电池的电量应该大于等于用户期望的电量，小于等于蓄电池的容量。
3)电动汽车蓄电池安全约束：
式中：SOCmin为放电过程中蓄电池最低荷电状态的下限。
4)不可调度时段约束：
式中：和分别为充电站k内的电动汽车m到达和离开的时刻。
步骤4-c，充电站层第二阶段优化的目标为充电站内所有用户的充电满意度最大，包括充电费用满意度和出行便利满意度两方面。
对于充电站k，第二阶段优化的目标函数为：
式中：和分别充电站k内第m辆电动汽车的充电费用满意度和出行便利满意度。
充电站k内第m辆电动汽车的充电费用满意度函数为：
式中：和分别为充电站k内第m辆电动汽车在可调度时段内随机充放电所产生的最低和最高充电费用，可由充电站控制中心根据用户的充电信息快速计算得到。由定义可知，的取值在0到1之间，当用户在可调度时段内仅在低电价时段充电、在高电价时段放电时，其充电费用最小，即充电费用满意度最大，最大值为1。
以电动汽车到达充电站之后即开始充电直至充满且不进行放电为出行最满意情况，充电站k内第m辆电动汽车的出行满意度函数定义为：
式中：为出行满意度最佳充电情形下，充电站k内的电动汽车m在时段t的充电功率。显然，当用户到达充电站即开始充电直至充满且不放电情形下用户出行满意度最大，最大值为1；如果充电延时较长，可能出现为负的情况。
步骤4-d，充电站k第二阶段优化的约束条件有：
1)以两层调度偏差等于第一阶段优化得到的最小调度偏差为约束条件：
式中：为配网层中第一阶段优化得到的充电站k与配网层调度结果的最小偏差。
2)其他约束条件与第一阶段优化相同。
步骤4-e，经过充电站层的两阶段优化计算，得到充电站k时段t的净充电负荷大小为充电站层将两阶段优化得到的所有充电站各时段的充电计划反馈给配网层，配网层再次进行优化计算，实现两层之间信息交互。
步骤5，分别采用NSGA-II算法和Yalmip/Cplex工具求解配网层多目标优化问题和充电站层整数规划问题。
步骤5-a，采用NSGA-II方法求解配网层多目标多约束优化问题。
配网层将各充电站一天内各个时段的净充电负荷大小作为优化变量，变量取值的上下限可以根据历史统计得到的充电站内各时段可调度的电动汽车数量制定，从而获得更可行的最优解。需要指出，在进行首次迭代时，由于充电站层的调度计划未知，所以配网在进行优化时，配网层不考虑两层之间的调度偏差最小这一优化目标。
采用NSGA-II方法求解配网层多目标优化问题的具体步骤如下：
步骤a，输入潮流计算和NSGA-II算法所需要的原始数据。潮流计算的数据有：网络的结构和参数、节点负荷大小等；NSGA-II算法的参数有：种群规模，进化代数，交叉和变异概率等。
步骤b，编码。以各充电站各时段的调度计划为优化变量，作为个体的染色体，进行实数编码。编码如图所示，即
步骤c，潮流计算。利用前推回推算法对种群中的每个个体进行潮流计算。
步骤d，综合评价函数值计算。本文采用可动态调整的罚函数法计及潮流计算的约束条件，计及约束条件惩罚函数的综合目标函数如下式所示。
Cj(x,u)＝Fj(x,u)+h(q)·H(x,u)
式中：Fj(x,u)为第j个原始目标；x和u分别为控制变量和状态变量；q为当前迭代次数，为动态调整系数，越限个体的综合目标函数随着迭代次数q的增大呈指数增大，以致被淘汰，从而保证了算法的收敛性。H(x,u)为惩罚函数，包括对节点电压越限的惩罚和支路传输功率越限的惩罚，计算如下式所示。
式中：N为配网节点数；ΔUi为节点i的电压越限值；UN为额定电压值；ΔPl为支路l的传输功率越限值；Pl，N为线路额定传输功率；L为配网支路数。
步骤e，快速非支配排序和拥挤距离计算。
步骤f，选择、交叉和变异，得到子种群。
步骤g，保留精英，得到下一次迭代的父代种群。
步骤h，如果未达到最大迭代次数，转向步骤c，否则结束计算。
步骤5-b，利用最大满意度法选取NSGA-II算法求得的非支配解集中的最优折中解，从而进行双层优化。
隶属度函数法求解每个Pareto解的满意度的方法为：
式中：μp为第p个非支配解的标准化满意度，为第p个非支配解的第j个优化目标的标准化满意度，J为优化目标的个数，P为非支配解的个数，标准化满意度最大的非支配解即为折中解。
偏小型满意度函数的表达式如下：
式中：fj为第j个目标的函数值，j∈{1,2,...,J}；和分别为解集中第j个目标函数的函数的最大和最小值。μj等于0和1分别表示对第j个目标的值完全不满意和完全满意。
步骤5-c，采用Yalmip/Cplex工具求解充电站层大规模整数规划问题，具体使用方法如下：
1)变量定义
创建m*n维连续性决策变量、整型以及0-1型决策变量矩阵的方法下：
x＝sdpvar(m,n,[option])
x＝intvar(m,n,[option])
x＝binvar(m,n,[option])
2)约束条件的设置
F＝[constraint1]
F＝[F,constraint2]
上式中，constraint表示等式或者不等式约束，表达和添加非常方便。
3)求解设置
ops＝sdpsettings('option1','value1','option2','value2'......)
‘solver’指定要采用的求解器，如果没有安装Ipsolver，系统会提示，如果不指定求解器，Yalmip将在已经安装的求解器中根据求解变量和问题的类型自动选择。
4)求解指令
result＝solvesdp(F,f,ops)
该问题的目标函数为f，F为约束条件，ops为求解设置。
下面结合图3至图8，以修改后的IEEE33节点算例为具体实例，说明本发明所属模型和方法的可行性和有效性。
图3为本发明方法算例中所用修改后的IEEE33节点测试系统，假设在9、16、20、30号节点设有充电站，在14号和31号节点分别设有风力发电机组，在23号节点设有光伏发电装置。
本实施例假定每个充电站管辖的电动汽车数量均为300。鉴于车主的一般用车习惯是早出晚归，且大多数用户返回即开始充电，将调度周期选定为从中午12:00到次日12:00，设定一个调度周期内的时段数为T＝24，即Δt＝1h。所有电动汽车蓄电池的参数相同，如表1所示。
表1电动汽车蓄电池的参数
参数 取值
蓄电池储能容量B 25kW·h
蓄电池充电效率η<sub>ch</sub> 0.92
蓄电池放电效率η<sub>dch</sub> 0.92
额定充电功率P<sub>ch</sub> 3kW
额定放电功率P<sub>dch</sub> 3kW
用户充电电量需求SOC<sup>req</sup> 0.90
电动汽车行驶每km耗电量 0.15kW·h
本实施例采用NSGA-II算法求解配网层多目标优化问题，算法中的参数设置如表2所示。
表2 NSGA-II算法参数
种群规模 120
最大迭代代数 100
交叉概率 0.9
变异概率 0.1
节点电压上限 1.1
节点电压下限 0.9
配网与主网之间的双向分时购售电价如表3所示。
表3配网与主网之间的双向分时购售电价
假设外部电网能够提供足够的有功和无功功率，DG出力直接作为负的负荷处理，DG出力的预测值如图4所示。
考虑以下两种优化情形：情形1：只充优化调度模式；情形2：V2G优化调度模式。
情形1只充模式调度结果如图5所示。可以看出，未考虑和考虑用户充电满意度两种情形，均很少在原负荷高峰时段安排EV充电，在调度时段内充电负荷均能够较均匀合理地分布，从而有效减小了配网负荷波动，使配网更经济可靠地运行。由图中也可以看出，在考虑用户的充电满意度情况下，为了用户的出行便利，在16:00-20:00时段内，需要首先进行一部分充电，以增大用户的出行满意度。
情形2，V2G模式调度结果如图6所示。通过与只充调度结果对比可以发现，负荷分布有很大不同。在17:00-20:00时段内，由于充电电价较高，总的电动汽车充电负荷很小，甚至在18:00-22:00和21:00-23:00出现了总体负荷小于基础负荷叠加分布式电源出力的情况，即电动汽车总体呈现放电状态。由于电动汽车的本质属性是满足用户的出行需求，蓄电池放电后仍需要充电达到用户的需求电量，因此与只充模式相比，03:00-05:00时段内电网的充电负荷较多。
表4为充电优化前后配网各数据指标对比。可以发现，与随机充电情形相比，只充模式和V2G模式下，不考虑和考虑用户满意度进行优化，均能有效降低配网的购电成本，相对于只充模式，V2G模式下配网的购电成本进一步降低；所有优化情形与随机充电相比，全网的负荷峰谷差和净负荷波动均有效减小，网络的有功损耗也有所降低，进行电动汽车充放电调度，对于节能减排，提高配网运行的经济性具有重要意义。由于当不考虑用户的充电满意度进行优化时，充电负荷在调度中具有更大的灵活性，因此，与考虑用户满意度情形相比，该情形下配网负荷方差更小。
表4充电优化前后配网各数据指标
考虑用户出行满意度进行充放电优化时，所制定的充电计划不再单纯追求充电成本最小。以配网中充电站3为例，说明进行考虑用户充电调度前后充电站的总体负荷分布，如图7所示。可以看出，在调度开始时段，有大量电动汽车进站，充电站首先进行部分充电，以满足用户紧急出行需求，然后再延迟充电或者控制电动汽车放电，减小用电高峰期的充电负荷，同时配合配网调度中心优化配网运行的经济性和安全性。通过充电优化，充电站内的充电负荷在时间上相对分散，部分充电负荷由高峰时段转移到低谷时段。
配电网中所有电动汽车参与充电调度前后的满意度对比如图8所示。对图中数据进行分析，可以得如下结论：
(1)只充优化模式下，当不考虑用户满意度时，虽然用户的充电费用满意度相对提高，但是出行便利度降低很多，用户总体满意度很低；而考虑用户充电满意度进行两阶段优化调度时，用户的充电费用满意度和出行便利满意度较无条件参与充电调度情形均提高，用户的总体充电满意度较大；
(2)V2G优化模式下，不考虑和考虑用户的满意度进行优化得到的结果与只充模式相比，充电费用的满意度均有所提高，而出行便利的满意度均有所降低，主要原因是，参与V2G控制可以降低用户的充电费用从而提高用户的充电费用满意度，而参与V2G控制伴随着电动汽车的放电过程，与只充优化模式相比，充电延时更长，因此不利于用户的出行，用户的出行便利满意度较低。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (8)

1.一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，包括以下具体步骤：
步骤1，建立电动汽车充电符合计算的模型；
步骤2，建立风力和光伏发电的经典模型；
步骤3，建立配网层以配网购电成本最小、负荷方差最小和两层调度偏差最小的多目标优化模型；具体为：
步骤3-a，多目标优化的目标函数为：
min[F1，F2，F3]
其中，F1为配网从主网购电的成本、F2为配网的净负荷方差、F3为配网层与充电站层之间的调度偏差；
1)配网从主网购电的成本最小：
其中， 和分别为配网从主网购电的电价和向主网售电的电价，为配网根节点在时段t的有功功率；
2)配网的净负荷波动最小：
其中，为时段t配网内节点i除电动汽车充电负荷和DG出力之外的有功；为时段t配网内节点i的DG出力；为时段t充电站k的净充电负荷，即配网层优化问题的决策变量；k∈i表示充电站k连接在节点i上；N为配网节点数；Pavg为平均负荷功率函数，
3)配网层与充电站层之间的调度偏差最小：
其中，为充电站层优化得到的充电站k在时段t的充电有功大小；NP为配网内充电站数目；
步骤3-b，配网层优化的等式约束条件包括多时段潮流约束、节点电压幅值约束、线路传输功率约束；
步骤3-c，配网层优化的不等式约束为：
其中，为充电站k时段t的净充电功率，即为充电站层的优化变量；Pch和Pdch分别为电动汽车蓄电池的额定充电功率和放电功率；nk为充电站k拥有的电动汽车数量；为充电站k在时段t的可调度系数，由于在任意时段不可能所有电动汽车同时进行充放电，所以在0～1之间；
步骤4，建立充电站层两阶段优化模型；具体为：
步骤4-a，充电站层第一阶段优化的目标为使充电站层的充放电计划与配网层制定的充电计划的偏差最小，充电站层第一阶段优化的目标函数为：
其中，T为一个调度周期内的时段数；为充电站k内的第m辆电动汽车在时段t的充电功率， 表示充电站k内的第m辆电动汽车在时段t的充放电状态，即为充电站层的优化变量，
步骤4-b，充电站层第一阶段优化的约束条件包括：
1)电动汽车蓄电池的荷电状态连续性约束：
其中，为充电站k内第m辆电动汽车时段t+1结束时的荷电状态；ηch和ηdch分别为电动汽车蓄电池的充电和放电效率；Bk,m和分别为充电站k内第m辆电动汽车的蓄电池容量和时段t结束时的荷电状态；
2)单辆电动汽车的充电能量约束：
其中，为充电站k内第m辆电动汽车离开时期望达到的荷电状态；为充电站k内第m辆电动汽车离开时的实际荷电状态；
3)电动汽车蓄电池的安全约束：
其中，SOCmin为放电过程中蓄电池最低荷电状态的下限；
4)不可调度时段约束：
其中，和分别为充电站k内的第m辆电动汽车到达和离开的时刻；
步骤4-c，充电站层第二阶段优化的目标为充电站内所有用户的充电满意度最大，即充电站层第二阶段优化的目标函数为：
其中，和分别充电站k内第m辆电动汽车的充电费用和出行便利满意度；
步骤4-d，充电站层第二阶段优化的约束条件包括：
1)以两层调度偏差等于第一阶段优化得到的最小调度偏差为约束条件：
其中，为配网层中第一阶段优化得到的充电站k与配网层调度结果的最小偏差；
2)电动汽车蓄电池的荷电状态连续性约束；
3)单辆电动汽车的充电能量约束；
4)电动汽车蓄电池的安全约束；
5)不可调度时段约束；
步骤4-e，经过充电站层的两阶段优化计算，得到充电站k时段t的净充电负荷大小为充电站层将两阶段的优化得到的所有充电站各时段的充电计划反馈给配网层，配网层再次进行优化计算，实现两层之间信息交互；
步骤5，分别采用NSGA-II算法和Yalmip/Cplex工具求解配网层多目标优化问题和充电站层整数规划问题，从而完成优化。
2.根据权利要求1所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，步骤1具体为：
步骤1-a，获取交通部门对电动汽车出行和用车习惯的统计结果，包括电动汽车用户的开始充电时刻、日行驶里程和充电结束时刻；
步骤1-b，采用最大似然估计得到电动汽车用户的开始充电时刻、日行驶里程和充电结束时刻的概率分布函数；
步骤1-c，随机生成充电站k内第m辆电动汽车的充电开始时刻和结束时刻日行驶里程dk,m；
步骤1-d，计算得到充电站k内第m辆电动汽车的充电能量需求Ek,m＝D·dk,m，其中，D为电动汽车行驶每千米的耗电量；充电站k内第m辆电动汽车的充电所需时长为Tk,m＝Ek,m/(ηchPch)，其中，ηch和Pch分别为蓄电池充电效率和额定充电功率大小。
3.根据权利要求2所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，步骤2具体为：
步骤2-a，建立风力发电系统的模型，具体为：
采用概率密度函数的如下式所示韦布尔分布模拟风速分布：
其中，v为风速，kw为韦布尔分布的形状指数，cw为给分布的规模指数；
风力发电机的有功出力瞬时值pw与风速v之间的关系如下所示：
其中，k1＝Pr/(vr-vc)，k2＝-k1vc，Pr为风力发电机的额定功率，vr为额定风速，vc为切入风速，vo为切出风速；
根据风电机组功率特性和风速分布特性，采用出力期望值表示第t个调度时段内风机的输出功率：
其中，v(t)为第t个调度时段的风速；at为第t个调度时段的开始时刻；Δt为调度周期内每个调度时段的时长；
风电场的运行方式为按恒功率因数运行，则风电场的无功功率表示为：
其中，为功率因数；
步骤2-b，建立光伏发电系统的模型，具体为：
采用概率密度函数的如下式所示韦布尔分布模拟光照强度s的分布：
其中，ks和cs分别为韦布尔分布的两个指数；
光伏发电的输出功率Ps与光照强度s之间的关系如下式所示：
其中，Psr为光伏发电系统的额定输出功率；sn为额定输出功率所对应的光照强度。
4.根据权利要求1所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，步骤5具体为：
步骤5-a，采用NSGA-II方法求解配网层多目标多约束优化问题；
步骤5-b，利用最大满意度法选取NSGA-II算法求得的非支配解集中的最优折中解，从而进行双层优化；
采用隶属度函数法求解每个Pareto解的标准化满意度，标准化满意度最大的非支配解即为折中解；
其中，μp为第p个非支配解的标准化满意度，J为优化目标的个数，P为非支配解的个数，为第p个非支配解的第j个优化目标的标准化满意度；
偏小型满意度函数的表达式为：
其中，μj为对第j个优化目标的值的满意度，μj等于0和1分别表示对第j个目标的值完全不满意和完全满意；fj为第j个目标的函数值；和分别为解集中第j个优化目标函数的函数的最大和最小值；
步骤5-c，采用Yalmip/Cplex工具求解充电站层大规模整数规划问题。
5.根据权利要求1所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，步骤4中所述充电费用满意度和出行便利满意度分别为：
1)充电站k内第m辆电动汽车的充电费用满意度为：
其中，和分别为充电站k内第m辆电动汽车在可调度时段内随机充放电所产生的最低和最高充电费用；
2)充电站k内第m辆电动汽车的出行便利满意度为：
其中，为出行便利满意度最佳充电情形下，充电站k内第m辆电动汽车在时段t的充电功率。
6.根据权利要求4所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，步骤5-a中采用NSGA-II方法求解配网层多目标多约束优化问题，具体为：
步骤a，输入潮流计算和NSGA-II算法所需要的原始数据；
步骤b，编码：以各充电站各时段的调度计划为优化变量，作为个体的染色体，进行实数编码，即
步骤c，潮流计算：利用前推回推算法对种群中的每个个体进行潮流计算；
步骤d，综合评价函数值计算：采用可动态调整的罚函数法计及潮流计算的约束条件，计及约束条件惩罚函数的综合目标函数为：
Cj(x,u)＝Fj(x,u)+h(q)·H(x,u)
其中，Fj(x,u)为第j个原始目标；x和u分别为控制变量和状态变量；q为当前迭代次数，为动态调整系数，H(x,u)为惩罚函数，N为配网节点数，ΔUi为节点i的电压越限值，UN为额定电压值，ΔPl为支路l的传输功率越限值，Pl，N为线路额定传输功率，L为配网支路数；
步骤e，快速非支配排序和拥挤距离计算；
步骤f，选择、交叉和变异，得到子种群；
步骤g，保留精英，得到下一次迭代的父代种群；
步骤h，如果未达到最大迭代次数，转向步骤c，否则结束计算。
7.根据权利要求6所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，潮流计算的数据包括网络的结构和参数、节点负荷大小；NSGA-II算法的参数包括种群规模，进化代数，交叉和变异概率。
8.根据权利要求4所述的一种考虑用户满意和配网安全的电动汽车充放电优化方法，其特征在于，步骤5-c中采用Yalmip/Cplex工具求解充电站层大规模整数规划问题，具体为：
1)变量定义：
创建m*n维连续性决策变量、整型以及0-1型决策变量矩阵的方法下：
x＝sdpvar(m,n,[option])
x＝intvar(m,n,[option])
x＝binvar(m,n,[option])
2)约束条件的设置：
F＝[constraint1]
F＝[F,constraint2]
式中，constraint表示等式或者不等式约束；
3)求解设置：
ops＝sdpsettings('option1','value1','option2','value2'......)
其中，‘solver’指定要采用的求解器；
4)求解指令：
result＝solvesdp(F,f,ops)
其中，f为目标函数，F为约束条件，ops为求解设置。
CN201710364100.6A 2017-05-22 2017-05-22 一种考虑用户满意和配网安全的电动汽车充放电优化方法 Active CN107133415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710364100.6A CN107133415B (zh) 2017-05-22 2017-05-22 一种考虑用户满意和配网安全的电动汽车充放电优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710364100.6A CN107133415B (zh) 2017-05-22 2017-05-22 一种考虑用户满意和配网安全的电动汽车充放电优化方法

Publications (2)

Publication Number Publication Date
CN107133415A CN107133415A (zh) 2017-09-05
CN107133415B true CN107133415B (zh) 2019-07-23

Family

ID=59731854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710364100.6A Active CN107133415B (zh) 2017-05-22 2017-05-22 一种考虑用户满意和配网安全的电动汽车充放电优化方法

Country Status (1)

Country Link
CN (1) CN107133415B (zh)

Families Citing this family (45)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107634518B (zh) * 2017-09-21 2023-10-27 国网福建省电力有限公司 一种“源-网-荷”相协调的主动配电网经济调度方法
CN107867198B (zh) * 2017-11-03 2021-06-08 华北电力大学 调节含风电配电网频率的电动汽车实时充电策略
CN107919675B (zh) * 2017-12-13 2021-05-07 上海电机学院 综合考虑车主和运营商利益的充电站负荷调度模型
CN108090277A (zh) * 2017-12-15 2018-05-29 燕山大学 一种考虑满意度和调度能力的电动汽车微网双层优化调度方法
CN108269008B (zh) * 2017-12-29 2021-09-10 天津大学 考虑用户满意度和配网可靠性的充电设施优化规划方法
CN108390421B (zh) * 2018-01-19 2021-05-04 上海电力学院 计及用户满意度的电动汽车双尺度充电引导方法及系统
CN108512238B (zh) * 2018-04-27 2022-04-01 武汉大学 基于需求侧响应的智能家居两阶段优化调度方法
CN108320064A (zh) * 2018-04-28 2018-07-24 国电南瑞南京控制系统有限公司 一种电动汽车与风电协同充电双层优化调度方法
CN108921331A (zh) * 2018-06-08 2018-11-30 广东工业大学 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
CN108964101B (zh) * 2018-07-05 2020-09-29 南方电网科学研究院有限责任公司 一种v2b和v2g共存应用场景模型的构建方法及装置
CN109523051B (zh) * 2018-09-18 2020-12-01 国网浙江省电力有限公司经济技术研究院 一种电动汽车充电实时优化调度方法
CN109327029B (zh) * 2018-09-18 2021-11-23 宁波市电力设计院有限公司 考虑电动汽车充电负荷的微电网风光优化配比方法
CN109378869A (zh) * 2018-09-21 2019-02-22 中国电力科学研究院有限公司 一种光伏充电站的分层式能量管理方法及系统
CN109599856B (zh) * 2018-11-12 2023-01-10 国网天津市电力公司电力科学研究院 一种微网多楼宇中电动汽车充放电管理优化方法及装置
CN109285039B (zh) * 2018-11-22 2021-07-06 东南大学 一种计及风光不确定性的电动汽车充电站电价制定方法
CN109823228B (zh) * 2018-12-29 2023-05-23 国网天津市电力公司电力科学研究院 面向楼宇负荷聚合商的电动汽车充放电方法及装置
CN109858103B (zh) * 2019-01-10 2023-10-31 杭州市电力设计院有限公司 用于配电网的电动汽车充电站负载建模方法
CN109886501A (zh) * 2019-03-06 2019-06-14 昆明理工大学 一种电动汽车充放电多目标优化方法
CN110033142B (zh) * 2019-04-23 2021-04-13 燕山大学 考虑负荷不确定性的充换电站优化调度策略
CN109920252B (zh) * 2019-04-24 2020-06-19 燕山大学 一种电气交通互联系统的协调优化方法及系统
CN110458332B (zh) * 2019-07-18 2023-04-18 天津大学 一种基于负荷空间转移的电动汽车快速充电需求调度方法
CN110472841B (zh) * 2019-07-29 2023-05-02 上海电力大学 一种电动汽车快速充电站的储能配置方法
CN110599050B (zh) * 2019-09-18 2022-01-11 广东工业大学 一种电动汽车与共享车位匹配方法和装置
CN110991703B (zh) * 2019-11-14 2024-06-07 华中科技大学 一种基于改进的nsga-ii算法的风光水联合发电调度方法
CN110733370B (zh) * 2019-11-20 2022-11-11 国网江苏省电力有限公司南通供电分公司 一种基于双层优化算法的电动汽车充电站有序充电方法
CN110929454B (zh) * 2019-11-21 2020-10-20 国网江苏省电力有限公司南通供电分公司 研究主动配电网与分布式电源、储能及多样性负荷的交互作用机理的方法
CN111310966A (zh) * 2019-11-21 2020-06-19 国网四川省电力公司经济技术研究院 含电动汽车充电站的微电网选址及优化配置方法
CN111242362B (zh) * 2020-01-07 2020-10-23 杭州电子科技大学 基于充电站综合状态预测的电动汽车实时充电调度方法
CN111244990B (zh) * 2020-01-16 2023-04-28 南京工业大学 一种配电网v2g辅助服务日前调度方法
CN111652405B (zh) * 2020-02-20 2023-05-30 贵州电网有限责任公司 一种电动汽车充放电策略和电网侧分时电价的双层优化方法
CN113675866B (zh) * 2020-05-15 2023-12-05 北京信息科技大学 一种规模化电动汽车的动态网格化金字塔调度方法
CN111723993B (zh) * 2020-06-24 2024-04-26 南方电网科学研究院有限责任公司 一种配电网双层协同调度方法、装置、终端及存储介质
CN111798121B (zh) * 2020-06-30 2024-03-22 浙江大学 一种面向电动汽车能源管理调度的分布式协同优化方法
CN112277714A (zh) * 2020-09-18 2021-01-29 国网浙江省电力有限公司杭州供电公司 基于电动车充电站利润的充电桩分配方法及装置
CN112350304A (zh) * 2020-09-30 2021-02-09 广东电网有限责任公司广州供电局 基于电动汽车聚合商参与需求响应业务的配网能量优化控制方法
CN112418605A (zh) * 2020-10-19 2021-02-26 国网上海市电力公司 一种光储式充电站储能系统优化运行方法
CN112297936B (zh) * 2020-10-28 2022-03-29 杭州市电力设计院有限公司余杭分公司 一种电动汽车的充放电控制方法、装置、设备及存储介质
US11385631B2 (en) 2020-11-11 2022-07-12 Honda Research Institute Europe Gmbh Method and system for detecting faults in a charging infrastructure system for electric vehicles
CN112348387B (zh) * 2020-11-16 2022-05-13 中原工学院 一种充放电策略辅助用户出行的动态电力调度方法
CN114475331B (zh) * 2021-08-31 2024-04-02 武汉大学 一种考虑负荷反弹的电动汽车聚合优化调度方法
CN113859018B (zh) * 2021-09-09 2023-01-24 暨南大学 大规模电动汽车群的分级充放电优化控制方法
CN114330833A (zh) * 2021-12-02 2022-04-12 国网浙江省电力有限公司 一种考虑电池状态切换次数限制的电动汽车最优调度方法
CN114285063B (zh) * 2022-03-07 2022-05-20 河北工业大学 一种基于短期碳排放因子的电动汽车减碳智能充电方法
CN114825469B (zh) * 2022-06-20 2022-09-23 华北电力大学 一种分布式电源集群出力评估方法及系统
CN117114199A (zh) * 2023-09-11 2023-11-24 山东建筑大学 一种多场景天气下考虑满意度的智能建筑能源调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793758A (zh) * 2014-01-23 2014-05-14 华北电力大学 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN104362677A (zh) * 2014-11-19 2015-02-18 云南电网公司电力科学研究院 一种主动配电网优化配置结构及其配置方法
CN106026152A (zh) * 2016-05-19 2016-10-12 合肥工业大学 一种电动汽车接入微电网的充放电调度方法
CN106096773A (zh) * 2016-06-07 2016-11-09 三峡大学 一种电动汽车充当储能的多目标优化调度方法
CN106169108A (zh) * 2016-07-14 2016-11-30 河海大学 含电池储能系统的主动配电网短期有功优化方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103793758A (zh) * 2014-01-23 2014-05-14 华北电力大学 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN103793758B (zh) * 2014-01-23 2017-01-25 华北电力大学 含光伏发电系统的电动汽车充电站的多目标优化调度方法
CN104362677A (zh) * 2014-11-19 2015-02-18 云南电网公司电力科学研究院 一种主动配电网优化配置结构及其配置方法
CN106026152A (zh) * 2016-05-19 2016-10-12 合肥工业大学 一种电动汽车接入微电网的充放电调度方法
CN106096773A (zh) * 2016-06-07 2016-11-09 三峡大学 一种电动汽车充当储能的多目标优化调度方法
CN106169108A (zh) * 2016-07-14 2016-11-30 河海大学 含电池储能系统的主动配电网短期有功优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Impacts of plug-in hybrid electric vehicles charging on distribution grid and smart charging;LI Hui-ling 等;《2012 IEEE International Conference on Power System Technology (POWERCON)》;20121102;第1-5页
换电站与电网协调的多目标双层实时充放电调度方法;曹一家 等;《电力自动化设备》;20150430;第35卷(第4期);第1-7页
计及车主满意度的电动汽车最优峰谷分时电价模型;高亚静 等;《电力自动化设备》;20140228;第34卷(第2 期);第8-13页
采用两阶段优化模型的电动汽车充电站内有序充电策略;张良 等;《电网技术》;20140430;第38卷(第4期);第967-973页
风电、光伏发电和电动汽车负荷协同控制的模型和方法;刘浩军;《电力系统及其自动化学报》;20151231;第27卷(第S1期);第12-17页

Also Published As

Publication number Publication date
CN107133415A (zh) 2017-09-05

Similar Documents

Publication Publication Date Title
CN107133415B (zh) 一种考虑用户满意和配网安全的电动汽车充放电优化方法
CN109523051A (zh) 一种电动汽车充电实时优化调度方法
Li et al. An optimal design and analysis of a hybrid power charging station for electric vehicles considering uncertainties
Zhang et al. Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO
CN107292449A (zh) 一种含多微网主动配电系统分散协同经济调度方法
CN111260237B (zh) 一种考虑ev车主意愿的多利益主体协调博弈调度方法
Huang Day-ahead optimal control of PEV battery storage devices taking into account the voltage regulation of the residential power grid
Yu et al. A real time energy management for EV charging station integrated with local generations and energy storage system
CN109754112A (zh) 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
Restrepo et al. Three-stage distribution feeder control considering four-quadrant EV chargers
CN108921331A (zh) 一种计及v2g功能的电动汽车与新能源的调度优化建模及算法
CN113326467A (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN113887032A (zh) 基于拉格朗日分布式算法的电动汽车有序充放电控制方法
CN105207207B (zh) 基于能量管理的孤网状态下的微电网系统调度方法
Li et al. Multi-objective optimal operation of centralized battery swap charging system with photovoltaic
Ni et al. Bi-level optimal scheduling of microgrid with integrated power station based on stackelberg game
Singh et al. A real-time smart charging station for EVs designed for V2G scenario and its coordination with renewable energy sources
Ni et al. Hierarchical optimization of electric vehicle system charging plan based on the scheduling priority
CN113780670A (zh) 基于两阶段的区域电网电动汽车调峰优化调度方法
CN114567006A (zh) 一种配电网多目标优化运行方法及系统
CN109130943B (zh) 共享电池站控制策略
CN112003268A (zh) 基于模型预测控制的智能建筑群电能优化共享系统和方法
Turker et al. Optimal charge control of electric vehicles in parking stations for cost minimization in V2G concept
Das et al. Game theoretical energy management of EV fast charging station with V2G capability
Singh et al. Designing a multi charging station for electric vehicles and its utilization for the grid support

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant